桥接 3D 深度学习与实践中的数据标注：用于分析和高质量分割
计算机视觉与模式识别
2025-12-01 v1
摘要
准确的 3D 显微镜图像分割是定量生物图像分析的关键，但即便是最新的基础模型也会产生错误结果。因此，手动数据标注仍广泛用于准备高质量训练数据或在分析前修正错误。我们提出了 VessQC，一款开源工具，用于基于不确定性引导的大规模 3D 显微镜分割数据标注。通过集成不确定性图，VessQC 将用户注意力引导至最可能包含生物学有意义错误的区域。在一次初步的用户研究中，使用不确定性引导的纠正使错误检测召回率从 67% 提升至 94.0%（p=0.007），而总体数据标注时间几乎未增加。因此，VessQC 使得对体数据分割的高效、人类在回路中的细化成为可能，弥合了实际应用中不确定性估计与实际人机交互之间的关键鸿沟。该软件可在 github.com/MMV-Lab/VessQC 免费获取。
引用
@article{arxiv.2511.22236,
title = {Bridging 3D Deep Learning and Curation for Analysis and High-Quality Segmentation in Practice},
author = {Simon Püttmann and Jonathan Jair Sànchez Contreras and Lennart Kowitz and Peter Lampen and Saumya Gupta and Davide Panzeri and Nina Hagemann and Qiaojie Xiong and Dirk M. Hermann and Cao Chen and Jianxu Chen},
journal= {arXiv preprint arXiv:2511.22236},
year = {2025}
}